ALGORITMOS HEURÍSTICOS PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
|
|
- Manuela Carvalho Aragão
- 7 Há anos
- Visualizações:
Transcrição
1 ALGORITMOS HEURÍSTICOS PARA O PROBLEMA DA DIVERSIDADE MÁXIMA Ivan Luis Duarte Geiza Cristina da Silva (*) Tatiana Alves Costa Universidade Federal de Ouro Preto Departamento de Ciências Exatas e Aplicadas Rua 37 nº. 115 Loanda João Monlevade Minas Gerais Brasil iiivan@yahoo.com.br {geiza, tatiana}@decea.ufop.br RESUMO O Problema da Diversidade Máxima (PDM) é um problema da área de Otimização Combinatória que tem por obetivo selecionar um número pré-estabelecido de elementos de um dado conunto de maneira tal que a soma das diversidades entre os elementos selecionados sea a maior possível. Por pertencer à classe de problemas NP-Difícil, o desenvolvimento de novos métodos heurísticos na solução aproximada deste problema em tempo computacional aceitável, torna-se atrativo. Neste trabalho são propostos algoritmos heurísticos baseados nos conceitos da metaheurística Iterated Local Search. Resultados computacionais mostram que os algoritmos propostos apresentam um desempenho médio superior quando comparados com as melhores heurísticas da literatura. PALAVARAS CHAVE. Problema da Diversidade Máxima, Iterated Local Search, metaheurísticas. Áreas Principais: MH Metaheurística, OC - Otimização Combinatória. ABSTRACT The Maximum Diversity Problem (MDP) is a problem of the Combinatorial Optimization area which asks to select a specified number of elements from a given set so that the sum of diversity between the selected elements is as large as possible. MDP belongs to the NP-hard class becoming attractive to the development of new heuristics to solve the problem in acceptable computational time. In this work heuristics algorithms based on concepts of the Iterated Local Search metaheuristic are proposed. Computational results show that the proposed algorithm produces an average performance better than well known heuristics from the literature. KEYWORDS. Maximum Diversity Problem, Iterated Local Search, metaheuristics. Main Areas: MH Metaheuristic, OC Combinatorial Optimization.
2 1. Introdução O Problema da Diversidade Máxima (PDM) consiste em, dado um conunto N com n elementos, selecionar um subconunto M N de forma tal que os elementos de M possuam a maior diversidade possível entre eles, sendo a diversidade expressa por uma função d i, definida sobre todo i < M. Existem dois critérios através dos quais o problema pode ser descrito. Na abordagem MAXSUM o obetivo é maximizar a soma das distâncias entre os elementos de M, ou sea, Max z( M ) d(. A abordagem MAXMIM, ao contrário, considera a pior diversidade. O M, i obetivo, neste caso, é Max z( M) min{ di}, i, M. Kuo et al. (1993) provaram que MAXSUM é NP-Difícil, utilizando uma redução ao problema Clique em grafo. Ghosh (1996) provou que assim como MAXSUM, MAXMIM é NP- Difícil, a partir de uma redução ao problema de recobrimento de vértices. O estudo de complexidade do problema mostra claramente a limitação do uso exclusivo de métodos exatos para a sua solução. Neste trabalho é proposto um algoritmo de construção aleatório e guloso, assim como três heurísticas de busca local. Estes algoritmos são aplicados aos conceitos da metaheurística ILS (Iterated Local Search) para instâncias do problema abordando o critério MAXSUM. Os testes computacionais realizados mostraram que os algoritmos propostos apresentam um desempenho médio superior quando comparados com as melhores heurísticas da literatura. O restante deste artigo está organizado conforme segue. Na seção 2 o Problema da Diversidade Máxima é apresentado. Na seção 3 é feita uma revisão da literatura assim e dois algoritmos da literatura conhecidos pelos bons resultados alcançados para o problema são descritos. Na seção 4 são discutidas as propostas de algoritmos deste trabalho. A seção 5 apresenta os resultados computacionais e finalmente, a seção 6 conclui o trabalho. 2. O Problema da Diversidade Máxima O obetivo do Problema da Diversidade Máxima (PDM) é selecionar, a partir de um conunto N de cardinalidade n, um subconunto M N com m elementos que possuam a maior diversidade entre si. Uma medida de diversidade entre dois elementos pode ser representada pela distância entre eles. A distância, neste caso, é calculada com base no conunto de atributos (componentes) dos elementos de N. Desta forma, para definir o problema, considera-se o conunto de índices N = {1, 2,..., n}, e: t, o número de atributos que caracterizam os elementos de N; a ik, o valor do atributo k, k = {1,..., t} do elemento i N. d(, o índice de diversidade entre dois elementos distintos, onde i e possuem os respectivos valores de atributos (a i1, a i2,..., a it ) e (a 1, a 2,..., a t ). O índice de diversidade representa o grau de diferença existente entre os atributos dos elementos i e, ou sea, a distância entre eles, que deve ser calculada usando-se uma dentre as métricas de distâncias existentes. De acordo com a área de aplicação, uma métrica pode refletir melhor o problema que outra (Kochenberg e Glover, 1999). Sea D [nn] uma matriz simétrica que armazena os índices de diversidade entre cada um dos elementos de N, preenchida da seguinte maneira: d( = d(, i) e d( i) = 0, ( N. O valor da diversidade de M é determinado pela fórmula div( M ) d(. M, i O Problema da Diversidade Máxima pode ser aplicado nas mais diversas áreas relacionadas ao campo da pesquisa operacional como na administração de recursos humanos (Dhir et al., 1994), (Weitz e Lakshminarayanan, 1998), biologia (Agrafiotis, 1997) e preservação ecológica (Maser, 1999), (Unkel, 1985).
3 O trabalho de Kuo et al. (1993), além da definição do problema, apresentou os dois modelos matemáticos para o PDM mostrados a seguir. O PDM pode ser representado como um Problema de Programação Inteira considerando-se x i, i N, variável binária igual a 1, se e somente se o elemento i estiver na solução e 0, caso contrário, e d( representando a diversidade entre i e, N. ( 1 ) Maximizar sueito a: n1 i1 n i1 d( x x n i1 x i m, i (1) (2) x i { 0,1}, i 1,..., n. (3) A formulação 1, descrita pelas equações 1-3 é um modelo não linear devido a sua função obetivo quadrática (1) e tem como meta maximizar a soma das diversidades de m elementos de N. A igualdade (2) exige que exatamente m elementos façam parte de uma solução viável e (3) indica que as variáveis do problema devem ser binárias. Uma versão linearizada de 1 descreve o PDM como um Problema de Programação Linear Inteira. Para isto, além das notações da formulação anterior, devem-se considerar as variáveis de decisão y i que se tornam iguais a 1 se i e fizerem parte da solução e 0, caso contrário, N, i < e Q = {( : N, i < }. ( 2 ) Maximizar sueito a: n1 i1 n i1 d( y n i1 i x i m, x x y 1, ( Q, (6) i i x y 0, ( Q, (7) i i x y 0, ( Q, (8) y i i { 0,1}, ( Q, (9) x i { 0,1}, i N. (10) (4) (5) Na formulação 2, a função obetivo (4) deve maximizar a soma das diversidades de m elementos de N. A igualdade (5) exige que exatamente m elementos pertençam a uma solução viável. Nas restrições (6) pode-se observar que a variável binária y i assume valor 1 sempre que x i e x receberem tal valor e y i assume valor 0 se x i e x forem ambas iguais a 0 ou se x i ou x (somente uma delas) for igual a 1. As restrições (7) exigem que no caso em que x i pertencer à solução então deverá existir algum tal que y i = 1. Da mesma forma que em (7), as restrições (8) exigem que se x pertencer à solução então deverá existir algum i tal que y i = 1. As restrições (9) e (10) representam as variáveis binárias do problema, sendo y i = 1 se x i e x estiverem na solução e 0 caso contrário e cada x i assumindo valor 1 se pertencer à solução e 0, caso contrário.
4 Outras formulações matemáticas para o PDM foram propostas em Glover (1995) para aplicações específicas na área de meio ambiente. Além de Kuo et al. (1993), Cutler e Klastori (1997), Bhadury et al. (2000) e Martí et al. (2007) apresentam abordagens exatas para tratar o problema. A seção 3 descreve os principais trabalhos utilizando metodologias heurísticas para o PDM. 3. Abordagens Anteriores Em Ghosh (1996) foi proposto um algoritmo GRASP para o PDM e para comprovar a qualidade da heurística proposta foi implementado um algoritmo exato. Os resultados computacionais mostraram que o GRASP proposto alcança uma solução ótima ou uma solução muito próxima da ótima, mostrando desta forma sua eficiência ao menos para instâncias de pequeno porte (n 40). Agrafiotis (1997) explorou o problema de selecionar subconuntos de componentes químicos. No trabalho introduziu duas medidas para quantificar a diversidade e apresentou uma solução para o problema baseada em simulated annealing. O método foi testado usando bases de dados formadas a partir de métodos estatísticos. Os resultados foram visualizados a partir do algoritmo de mapeamento não-linear de Sammon [Sa69]. O artigo não fornece detalhes dos testes computacionais, apenas cita que o método encontra resultados satisfatórios. Em Cutler e Klastori (1997) foram apresentadas duas heurísticas para o PDM, uma relaxação lagrangeana e uma heurística gulosa. Para avaliar os resultados obtidos foi implementado um algoritmo branch and bound e, desta forma, os autores concluíram que a heurística gulosa apresentou bons resultados para um conunto de testes com número de elementos pequeno (n 40). Weitz e Lakshminarayanan (1998) apresentaram cinco heurísticas para o PDM. Este trabalho foi realizado para resolver uma aplicação prática que é criar grupos de proetos em uma classe de estudantes, de forma tal que esses estudantes seam inseridos em ambientes heterogêneos, baseado em critérios como, por exemplo, nacionalidade, idade e formação. As heurísticas foram testadas somente para uma instância composto de dados reais e foi implementado também um algoritmo exato. Os testes apontaram à heurística LCW (Método Lotfi-Cerveny-Weitz) como sendo a melhor para a solução do problema. Em Glover et al. (1998) foram propostas quatro heurísticas sendo duas delas, construtivas e as outras destrutivas onde, a partir de uma solução heurística com e elementos ocorre uma eliminação progressiva até que se tenha uma solução viável com m elementos. A eficiência dessas heurísticas foi testada através de comparação com os resultados de um método exato e para isso foram criadas diversas instâncias de populações com até 30 elementos. Foi citado pelos autores que as heurísticas propostas obtiveram em média resultados próximos aos do algoritmo exato (a no máximo 2% do ótimo), com um tempo de computação muito menor. O trabalho de Kochenberger e Glover (1999) desenvolveu uma heurística busca tabu para encontrar a máxima diversidade. Segundo os autores, a heurística foi testada gerando aleatoriamente instâncias de problemas com populações de tamanho que variam de n = 100 a n = 1000 elementos onde se deseava obter subconuntos de m elementos mais diversos com tamanho entre 10% a 30% de n. Os autores citam que testes computacionais foram realizados, mas os resultados não foram comparados com qualquer outro método da literatura. Silva et al. (2004) apresentaram três algoritmos construtivos e duas heurísticas de busca local utilizados para implementar várias heurísticas GRASP para o PDM. Diversos experimentos computacionais foram realizados com instâncias de médio porte propostas no trabalho e mostraram que seus procedimentos superaram métodos apresentados anteriormente. Silva et al (2007) incorporaram à abordagem anterior um módulo de reconexão por caminhos. Os testes realizados comprovaram a eficiência do método híbrido proposto. Aringhieri et al. (2008) propuseram um algoritmo busca tabu para o problema. A busca tabu proposta utiliza os conceitos de lista tabu dinâmica e memória secundária, esta última, armazena as segundas melhores soluções encontradas, mas não utilizadas em cada iteração da
5 busca tabu e é utilizada para reiniciar a busca em casos específicos. Os autores citam que os resultados alcançados puderam equiparar ou superar os outros métodos. Em Palubeckis (2008) foi desenvolvido um algoritmo Iterated Tabu Search (ITS). Foi apresentado também um algoritmo steepest ascent. Para comparação foram considerados os dois métodos propostos e os trabalhos de Silva et al. (2007) e Martí (2007). Instâncias de maiores portes foram utilizadas e os resultados reportados demonstram boa eficiência do algoritmo ITS. Os trabalhos de Duarte e Martí (2007) e Gallego et al. (to appear) têm sido considerados referências de algoritmos heurísticos, obtendo os melhores resultados da literatura para o PDM. Por este motivo, os algoritmos apresentados nestes trabalhos, utilizados para efeito de comparação com a metodologia aqui proposta, são descritos a seguir Algoritmo Tabu_D2 Proposto em Duarte e Márti (2007), implementa uma variante da heurística destrutiva D2 de Glover et al. (1998) para a construção de uma solução. Sea Sel o conunto de elementos selecionados para compor a solução. No início do procedimento, este conunto possui todos os elementos do conunto N, isto é: Sel = N. A cada passo, um elemento i* de menor D(i*) é retirado da solução, até que se obtenha Sel = M. O cálculo de D(i*) é mostrado na Equação 11. freq[ i] qual[ i] D( i*) min[ D( i) R( R(. i Sel max_ freq max_ qual Nesta equação, D(i) é o somatório das distâncias dos pares i e selecionados para compor as soluções prévias, isto é, D(i) =d i xi x ; freq[i] corresponde à freqüência na qual o elemento i aparece em soluções prévias e qual[i] é a média da qualidade (relacionada à função obetivo) das soluções anteriores que incluem o elemento i. Os valores max_freq e max_qual são os máximos de freq[i] e qual[i]. Os fatores de penalidade e foram definidos pelos autores como 0,1 e 0,0001, respectivamente. Além disso, R( max( D( i)) min( D( i)). Como mecanismo de memória de curto prazo da busca tabu foi implementado o método LS_TS. A cada iteração, um elemento i pertencente à solução é selecionado aleatoriamente. A probabilidade da seleção do elemento i é inversamente proporcional a D(i). O conunto N M de elementos fora da solução é investigado, obtendo-se um elemento que proporciona o primeiro movimento de melhora na troca do elemento i por. Se nenhum movimento de melhora é obtido, o melhor movimento de piora é escolhido. A troca é realizada e os elementos i e são incluídos em uma lista tabu. Durante um número de iteração, estes elementos são considerados tabu e, portanto, são proibidos de serem usados nas trocas. O método termina após um número consecutivo de movimentos sem melhora. É citado que o número de iterações no qual um elemento permanece tabu é 0,28m para elementos que estão sendo inseridos na solução e de 0,028m para os elementos que estão deixando a solução. O número de iterações sem melhora é dado por 0,1n Algoritmo SS Em (Gallego, to appear) é proposta uma implementação da metaheurística scatter search, cuos conceitos são detalhados em Laguna e Martí (2003), denominado algoritmo SS. O método consiste em explorar um espaço de soluções que fazem parte de um conunto soluções de referência, denominado RefSet. Este conunto armazena boas soluções que foram encontradas durante o processo de busca. Os passos do algoritmo SS são: 1. Um conunto P com tam soluções diversas é construído utilizando Tabu_D2. 2. O procedimento LS_TS é aplicado como método de melhoria a todas as soluções em P. 3. O conunto inicial de soluções de referência RefSet consiste das b = 12 soluções em P, das quais q = 30% são escolhidas de acordo com a qualidade das soluções isel isel (11)
6 e (1 q)% são escolhidas de acordo com a diversidade das mesmas. Uma medida de distância dist é aplicada para definir a diversidade de uma solução em relação ao conunto de RefSet. A distância entre uma solução t e as contidas em RefSet, é dada por: b r x i r1 im dist( t, RefSet ) bm. Esta fórmula conta o número de vezes que cada elemento da solução t aparece nas soluções de RefSet e subtrai este valor da distância máxima possível (bm). 4. O método de geração de subconuntos considera cada par de soluções de RefSet como subconuntos de soluções de tamanho O método de combinação das soluções utiliza Tabu_D2 para a união de elementos das soluções contidas nos subconuntos definidos no Passo Novamente, o método de melhoria é aplicado a todas as soluções geradas no Passo RefSet é atualizado se for obtida uma solução melhor do que as á armazenadas através dos Passos 5 e/ou 6. Se RefSet tiver sido atualizado, o procedimento retorna ao Passo 4, caso contrário, é encerrado. 4. Iterated Local Search A metaheurística Iterated Local Search (ILS) é um procedimento iterativo no qual buscas locais são aplicadas a novas soluções de partida, obtidas através de perturbações em soluções de ótimos locais. O método funciona da seguinte maneira (Lourenço et al, 2002): Dada uma solução corrente s*, uma perturbação é aplicada levando a uma solução s. Em seguida, s é explorada através de um procedimento de busca local através do qual é obtida a solução s*, que corresponde a um ótimo local. Um critério de aceitação é invocado para decidir, entre s* e s*, qual delas deve se tornar corrente na próxima iteração. A Figura 1 apresenta o pseudocódigo do algoritmo ILS. Procedimento ILS s 0 = GeraSolucaoInicial s * = BuscaLocal (s 0 ) Faça s = Perturbacao(s *, história) s * = BuscaLocal(s ) s * = CriterioAceitacao (s *, s *, história) Enquanto critério de parada não for satisfeito Fim-Procedimento. Figura 1. Pseudo-código da metaheurística ILS Existem quatro componentes fundamentais do método a serem considerados, representados no pseudo-código por meio das funções: i) GeraSolucaoInicial, ii) BuscaLocal, iii) Perturbação e iv) CriterioAceitacao. Mais detalhadamente, i) retorna uma solução inicial. Esta pode ser gerada aleatoriamente ou através de algum procedimento guloso; ii) retorna um ótimo local; iii) perturba a solução através de um ou mais movimentos na solução corrente; e iv) decide qual solução será considerada na próxima iteração do algoritmo. Uma perturbação não deve ser demasiadamente pequena para que o procedimento não retorne frequentemente à solução corrente e poucas novas soluções seam exploradas, assim como, não deve ser grande demais, pois neste caso o método recairia em um algoritmo de múltiplos reinícios aleatórios. O mecanismo de perturbação unto com o de busca local define a possível transição entre a solução corrente s * para a solução vizinha s *. O critério de aceitação determina se s* é aceito ou não como a nova solução corrente. Pode servir como um procedimento de
7 intensificação se for definido de forma que somente melhores soluções são aceitas, isto é, para um problema onde o obetivo é a maximização tem-se: CriterioAceitacao retorna s* se Z(s * ) > Z(s * ) e; s *, caso contrário, onde Z é a função obetivo do problema. Neste trabalho, as quatro componentes do ILS foram definidas da seguinte maneira: 1. Construção da solução inicial: Uma solução inicial é construída da seguinte maneira: Para cada elemento i N são selecionados os m elementos N M que possuem os maiores índices de diversidade em relação ao i. As diversidades destes elementos são somadas totalizando si. A partir daí, os m elementos com maiores valores de si são escolhidos para compor a solução. 2. Mecanismo de Perturbação: Foram utilizados sete níveis de perturbação, sendo os seis primeiros definidos com base em um valor percentual que indica o número de trocas que são realizadas entre elementos dentro e fora da solução. No primeiro nível são escolhidos, aleatoriamente, 2% dos elementos pertencentes à solução e, cada um desses, é trocado com um outro elemento não pertencente à mesma, também selecionado de forma aleatória. Nos cinco níveis seguintes, os percentuais adotados são 10, 40, 50, 70 e 80%, respectivamente. A utilização do sétimo nível de perturbação é condicionada aos casos nos quais todos os níveis de perturbação definidos anteriormente resultarem em um número de trocas entre mais de dois elementos. Nestes casos, a perturbação de nível sete é utilizada para alterar levemente a solução. A cada iteração do método um nível de perturbação é escolhido aleatoriamente. 3. Algoritmos de busca local: Na fase de busca local são utilizados três algoritmos baseados nos conceitos clássicos apresentados em Sousa (2005) denominados como melhor vizinho, primeiro de melhora e busca randômica. a. O primeiro é uma implementação do algoritmo de busca local proposto por Ghosh (1996). Cada elemento i pertencente à solução é trocado por cada elemento fora desta. A cada troca é associada uma melhoria z( calculada por: z ( d(, u) d( u). A cada iteração, todas as um { i} possíveis trocas são testadas e a solução obtida da troca dos elementos de maior z é considerada corrente para a próxima iteração. A busca prossegue até que, em uma iteração, todas as trocas efetuadas retornem z( < 0. b. No segundo algoritmo de busca local é calculada a melhoria z( referente às trocas e a solução resultante da primeira troca na qual z( > 0 torna-se a solução corrente da próxima iteração. A busca prossegue até que nenhuma solução de melhora possa ser obtida. c. No terceiro algoritmo, a implementação da busca local randômica consiste em escolher aleatoriamente dois elementos i M e N M e realizar a troca entre eles. Se o valor de z( associado a esta troca for maior do que 0 a solução produzida torna-se corrente na próxima iteração. Caso contrário, um novo par de elementos é selecionado aleatoriamente. A busca prossegue até que um determinado critério de parada sea alcançado. Neste trabalho os critérios de parada adotados foram número de iterações sem melhora e tempo de processamento. 4. Critério de aceitação: De acordo com o critério de aceitação adotado, uma solução s* passa ser corrente caso melhore o valor da função obetivo da solução s*, ou sea, se Z(s* ) > Z(s*).
8 4. Resultados computacionais Com base na metodologia descrita na Seção 3 foram propostas três diferentes versões de heurísticas ILS, que se diferenciam pelo procedimento de busca local adotado, conforme Tabela 1. Algoritmo Busca Local ILS1 Melhor Vizinho (Ghosh, 1996) ILS2 Primeiro de Melhora ILS3 Randômica Tabela 1. Algoritmos ILS propostos Os algoritmos propostos foram implementados usando linguagem C e compilados na versão do GCC. Os testes foram realizados em um computador Intel Pentium IV 3 Ghz com 1 Gb de memória RAM. Cada heurística foi executada 10 vezes com o tempo máximo de processamento de 30 segundos para cada execução. Para efeito de comparação foi utilizado o conunto de instâncias proposto em Silva et. al. (2004) e os algoritmos descritos na seção 3. No conunto de instâncias utilizado, o número de variáveis n {100, 200, 300, 400, 500} e o parâmetro m {0.1n, 0.2n, 0.3n, 0.4n}. Cada valor de diversidade d( foi gerado aleatoriamente dentro do intervalo [0, 9]. A Tabela 2 apresenta os valores de diversidades obtidos pelos algoritmos comparados. A coluna 1 apresenta as instâncias e as colunas 2 e 3 mostram os valores de n e m de cada uma destas. Na coluna 4 encontra-se o melhor valor conhecido para cada instância (Martí, 2008). As colunas 5 e 6 apresentam, respectivamente, os valores reportados em Gallego (to appear) para os procedimentos TabuD2 e SS. Estes, correspondem ao melhor valor obtido em 10 execuções de 30 segundos com os algoritmos codificados pelos autores em linguagem Java, executados com Java Runtime Environment 1.5 e testados em um computador Pentium IV 3 GHZ com 3 Gb de memória RAM. Nas colunas 7 a 9 são apresentados os melhores valores de diversidades obtidos, em 10 execuções, pelos algoritmos propostos ILS1, ILS2, ILS3. Instâncias n m Melhor Valor Literatura Propostos TabuD2 SS ILS1 ILS2 ILS3 Silva Silva Silva Silva Silva Silva Silva Silva Silva Silva Silva Silva Silva Silva Silva Silva Silva Silva Silva Silva Tabela 2. Comparação entre os melhores resultados reportados em Martí (2008) e algoritmos ILS propostos
9 A Tabela 2 demonstra que os algoritmos propostos sempre são capazes de alcançar a melhor solução em cada instância e, para a instância Silva.14 o melhor resultado até então conhecido na literatura pôde ser melhorado. A Tabela 3 faz uma comparação entre a diferença percentual do melhor resultado obtido pelos algoritmos propostos e os algoritmos da literatura. Diferenças percentuais iguais a zero são representadas pelo símbolo (-). Literatura Propostos Instâncias TabuD2 SS ILS1 ILS2 ILS3 Silva Silva Silva Silva.4 0, Silva.5 0, Silva.6 0, Silva.7 0, Silva Silva Silva.10 0, Silva.11 0, Silva.12 0, , Silva.13 0, Silva.14 0, , Silva.15 0, , , Silva.16 0, , , Silva.17 0, , ,00112 Silva.18 0, , , Silva.19 0, Silva.20 0, , ,00009 Soma 0, , , , ,00121 Tabela 3. Diferenças percentuais entre algoritmos da literatura e propostos A diferença percentual foi obtida calculando-se a diferença entre o melhor valor conhecido para cada instância e os resultados obtidos pelas heurísticas. Este valor é dividido pelo melhor valor. Pode-se notar que, em se tratando dos algoritmos propostos, pelo menos um deles, é capaz de produzir o melhor valor em todas as instâncias. Quanto aos algoritmos da literatura considerados, a diferença percentual média é de aproximadamente 2% no caso do algoritmo TabuD2 e de menos de 0,04% para o algoritmo SS. A robustez dos algoritmos propostos pode ser avaliada de acordo com a diferença percentual entre a melhor solução conhecida e a solução obtida por estes e, ainda, de acordo com a diferença percentual entre a melhor solução conhecida e a solução média alcançada em 10 execuções de cada algoritmo. Estes resultados são apresentados na Tabela 4.
10 Instâncias ILS1 ILS2 ILS3 % melhor % média % melhor % média % melhor % média Silva Silva Silva Silva Silva Silva , ,00022 Silva Silva Silva.9-0, , ,00037 Silva.10-0, , ,00041 Silva.11-0, , ,00039 Silva.12 0, , ,00022 Silva.13-0, , ,00086 Silva.14-0, , ,00088 Silva.15 0, , , , ,00058 Silva.16 0, , , , ,00066 Silva.17-0, , , , ,00168 Silva.18 0, , , , ,00076 Silva.19-0, , ,00030 Silva.20 0, , , , ,00032 Média 0, , , , , ,00766 Tabela 4. Diferenças percentuais entre as melhores soluções e soluções médias Primeiramente, é feita uma análise em relação às melhores soluções (colunas 2, 4 e 6): o algoritmo ILS3 apresenta menores diferenças percentuais, estando em média a 0,1% da melhor solução conhecida. Os algoritmos ILS2 e ILS1 têm diferenças percentuais de aproximadamente 0,2%, ambos. Quanto à diferença percentual média da melhor solução para as soluções médias obtidas, os métodos ILS1, ILS2 e ILS3 são de aproximadamente 1,5%, 0,9% e 0,8%, respectivamente. Os resultados apresentados mostram que a heurística ILS produz resultados promissores para o problema. Conclusões Neste artigo foi descrita uma metodologia aplicada a obtenção de soluções heurísticas para o problema da diversidade máxima. Os procedimentos implementados no trabalho incluem uma heurística de construção aleatória e gulosa, três algoritmos de busca local baseados em conceitos clássicos e um esquema de perturbação de solução que combinados produzem uma abordagem baseada na metaheurística ILS. Os métodos propostos mostraram-se simples no que se à implementação. A despeito disto, os resultados alcançados demonstram que são superiores, na média, quando comparados aos métodos da literatura para um conunto formado por 20 instâncias. Em particular, foi possível encontrar uma nova melhor solução para uma destas instâncias. Com isto, conclui-se que o método proposto é promissor no tratamento de instâncias do PDM. A fim de comprovar a robustez do método, nos próximos passos deste estudo, desea-se utilizar outros conuntos de instâncias disponíveis na literatura com um número maior de variáveis.
11 Agradecimentos Esta pesquisa foi parcialmente suportada pelo CT-Info/MCT/CNPq Universal 15/2007 e PROPP/UFOP. Os autores agradecem também à FAPEMIG pelo apoio financeiro. Referências Agrafiotis, D. K. (1997), Stochastic algorithms for maximizing molecular diversity, Journal Chem. Inf. Comput. Sci., 37, Aringhier R., Cordone, R. e Melzan Y. (2008), Tabu search versus GRASP for the maximum diversity problem, 4OR: A quarterly Journal of Operations Research, 6, Bhadury, J., Mighty, E. J., e Damar, H. (2000), Maximizing workforce diversity in proect teams: a network flow approach, Omega, 28, Cutler, M. e Klastorin, T., The max diversity problem, Relatório Técnico, University of Washington, Department of Management Science, Dhir, K., Glover, F. e Kuo, C.-C. (1994), Optimizing diversity for engineering management, Proceedings of the IEEE International Engineering Management Conference. Duarte, A. E Martí, R. (2007), Tabu search for the maximum diversity problem, European Journal of Operational Research, 178, Gallego, M., Duarte, A., Laguna, M. Martí, R. Hybrid heuristics for the maximum diversity problem, Computational Optimization and Applications (To appear). Glover, F., Kuo, C.-C. e Dhir, K. (1995), A discrete optimization model for preserving biological diversity. Applied Mathematical Modeling, 19, Glover, F., Kuo, C.-C. & Dhir, K. (1998), Heuristic algorithms for the maximum diversity problem. Journal of Information & Optimization Science, Ghosh, J.B. (1996), Computational aspects of the maximum diversity problem, Operations Research Letters, 19, Kochenberger, G. e Glover, F., Diversity data mining, Relatório Técnico, The University of Mississip Kuo, C.-C., Glover, F. e Dhir, K. (1993), Analyzing and modeling the maximum diversity problem by zero-one programming. Decision Science, 24, Laguna, M. e Martí, R., Scatter Search: Methodology and Implementations in C, Kluwer Academic Publishers, Boston, Lourenço, H. R., Martin, O. C. e Stützle, T., Iterated Local Search, Handbook of Metaheuristics, F. Glover and G. Kochenberger (Eds.), International Series in Operations Research & Management Science, vol. 57. Kluwer Academic Publishers, Norwell, MA., , Maser, C, Ecological diversity in sustainable development: the vital and forgotten dimension. Saint Lucie Press, Martí, R., Gallego, M. e Duarte, A., An Exact Method for the Maximum Diversity Problem, Relatório Técnico, Univesitat de València, Martí, R., Rafael Martí - Departamento de Estadística e Investigación Operativa de la Universitat de València. Disponível em: < Acesso em: 24 de abril de Palubeckis, G. (2007), Iterated tabu search for the maximum diversity problem, Applied Mathematics and Computation, 189, Resende, M. G., Martí, R., Gallego, M. e Duarte, A., GRASP and path relinking for the Maxmin diversity problem, Relatório Técnico, AT&T Labs Research, TD-7BSN88, Silva, G. C., Och L. S., e Martins, S. L. (2004), Experimental Comparison of Greedy Randomized Adaptive Search Procedures for the Maximum Diversity Problem, Lecture Notes on Computer Science, 3059, Silva, G. C., Andrade, M., Och L. S., Martins, S. L e Plastino, A. (2007), New heuristics for the maximum diversity problem, Journal of Heuristics, 13, Sousa, M. J. F. (2008). Inteligência Computacional para Otimização - Notas de aula. Ouro Preto: UFOP. Disponível em: < Acesso em: 22 abril de 2008.
12 Unkel, W. C., (1985), Natural diversity and national forest. Natural Areas Journal, 5, Weitz, R. e Lakshminarayanan, S. (1998), An empirical comparison of heuristic methods for creating maximally diverse group, Journal of the Operational Research Society, 49, (*) Autor para quem as correspondências devem ser encaminhadas.
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START Gustavo Marques Zeferino, Flaviana M. de S. Amorim, Marcone Jamilson Freitas Souza, Moacir F. de F. Filho
Leia mais5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
Leia maisO Problema da Diversidade Máxima: Proposta e
Submetido para TEMA O Problema da Diversidade Máxima: Proposta e Análise de Metaheurística GRASP Geiza C. SILVA 1, Luiz S. OCHI 2, Simone L. MARTINS 3, Instituto de Computação, Universidade Federal Fluminense,
Leia maisUM ALGORITMO EXATO PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
UM ALGORITMO EXATO PARA O PROBLEMA DA DIVERSIDADE MÁXIMA João Leonardo Ribeiro Neto PUC Minas - Instituto de Ciências Exatas e Informática Av. Dom José Gaspar, 500 - Coração Eucarístico CEP: 30535-901
Leia maisXLVI Pesquisa Operacional na Gestão da Segurança Pública
ALGORITMO DE OTIMIZAÇÃO POR NUVEM DE PARTÍCULAS APLICADO AO PROBLEMA DA DIVERSIDADE MÁXIMA Edison L. Bonotto Programa de pós graduação em Informática PPGI Universidade Federal da Paraíba - UFPB 77001-090
Leia maisIterated Local Search. Helena R. Lorenço, Olivier Martinz and THOMAS STUTZLE
I Iterated Local Search Helena R. Lorenço, Olivier Martinz and THOMAS STUTZLE Idéias Metaheurística deve ser simples, eficiente e mais genérica possível. Problema específico deve ser incorporado à metaheurística.
Leia maisPROPOSTA E AVALIAÇÃO DE HEURÍSTICAS GRASP PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
PROPOSTA E AVALIAÇÃO DE HEURÍSTICAS GRASP PARA O PROBLEMA DA DIVERSIDADE MÁXIMA Geiza Cristina da Silva Luiz Satoru Ochi (*) Simone Lima Martins Instituto de Computação, Universidade Federal Fluminense
Leia maisUniversidade Federal Fluminense
Universidade Federal Fluminense Um GRASP com Reconexão de Caminhos para a Solução do Problema da Maximização da Diversidade Marcos Ribeiro Quinet de Andrade Niterói, RJ BRASIL Dezembro de 2004 Marcos Ribeiro
Leia maisHEURÍSTICAS GRASP PARA A MINIMIZAÇÃO DO ATRASO TOTAL NO PROBLEMA DE PROGRAMAÇÃO DE TAREFAS EM UMA MÁQUINA COM SETUP TIME
HEURÍSTICAS GRASP PARA A MINIMIZAÇÃO DO ATRASO TOTAL NO PROBLEMA DE PROGRAMAÇÃO DE TAREFAS EM UMA MÁQUINA COM SETUP TIME Gilberto Vinícius P. Nunes Departamento de Informática, Universidade Federal de
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia maisMÉTODOS EXATO E HEURÍSTICO PARA O PROBLEMA DE LOCALIZAÇÃO DAS P-MEDIANAS COM DOIS OBJETIVOS
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. MÉTODOS EXATO E HEURÍSTICO PARA O PROBLEMA DE LOCALIZAÇÃO DAS P-MEDIANAS COM DOIS OBJETIVOS Paula Mariana dos Santos (UFV) paula-marianna@hotmail.com JOSE
Leia maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia maisUMA APLICAÇÃO DA METAHEURÍSTICA ITERATED LOCAL SEARCH AO SHIFT DESIGN PROBLEM
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 12 a15 de outubro
Leia maisHEURÍSTICAS GRASP PARA O PROBLEMA DE ALOCAÇÃO DINÂMICA DE ESPAÇOS
!" #$% # &('*)+'-,.0/ 13204+'658709:'316;0,@?*7BAC4+5D=0/ E-F 70.07HG-70I0,-?-70MN;0,7PO
Leia maisMETAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima
METAHEURÍSTICAS METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima Consiste em aplicar iterativamente uma heurística subordinada (busca local) Tem algum mecanismo para escapar de ótimos locais (vales)
Leia maisOptimização de um Plano de Marketing Directo para o Sector da Banca Daniel Barata
Optimização de um Plano de Marketing Directo para o Sector da Banca Daniel Barata, Fernando Bação, Victor Lobo Agenda Introdução Justificação do Tema Formulação usada Métodos de Resolução Exacto Guloso
Leia maisPCC104 - Projeto e Análise de Algoritmos
PCC104 - Projeto e Análise de Algoritmos Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 1 de novembro de 2018 Marco Antonio
Leia mais3 Extensões dos modelos matemáticos
3 Extensões dos modelos matemáticos Os modelos matemáticos definidos por (2-1) (2-6) e (2-7) (2-13), propostos por Achuthan e Caccetta e apresentados no Capítulo 2, são reforçados neste trabalho através
Leia maisALGORITMOS HEURÍSTICOS UTILIZANDO BUSCA LOCAL ALEATÓRIA EM VIZINHANÇA VARIÁVEL PARA O PROBLEMA DO CAIXEIRO VIAJANTE COM GRUPAMENTOS
ALGORITMOS HEURÍSTICOS UTILIZANDO BUSCA LOCAL ALEATÓRIA EM VIZINHANÇA VARIÁVEL PARA O PROBLEMA DO CAIXEIRO VIAJANTE COM GRUPAMENTOS Mario Mestria (IFES ) mmestria@uol.com.br Nesse trabalho são propostos
Leia maisPROPOSTA E AVALIAÇÃO DE HEURÍSTICAS GRASP PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
versão impressa ISSN 0101-7438 / versão online ISSN 1678-5142 PROPOSTA E AVALIAÇÃO DE HEURÍSTICAS GRASP PARA O PROBLEMA DA DIVERSIDADE MÁXIMA Geiza Cristina da Silva Luiz Satoru Ochi * Simone Lima Martins
Leia maisAvaliação de Heurísticas de Melhoramento e da Metaheurística Busca Tabu para Solução de PRV
Avaliação de Heurísticas de Melhoramento e da Metaheurística Busca Tabu para Solução de PRV Eliseu Celestino Schopf 1, Claudio Schepke 1, Marcus Lucas da Silva 1, Pablo Furlan da Silva 1 1 Centro de Eletrônica
Leia maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisOPEN DIMENSIONAL CUTTING PROBLEM: UMA ABORDAGEM HÍBRIDA VIA GRASP E ILS
! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& OPEN DIMENSIONAL CUTTING PROBLEM: UMA ABORDAGEM
Leia maisEXPLORANDO A HEURÍSTICA DM-GRASP PARA O PROBLEMA DAS P-MEDIANAS
EXPLORANDO A HEURÍSTICA DM-GRASP PARA O PROBLEMA DAS P-MEDIANAS Thales W. Barra, Luis F. M. Santos, Richard Fuchshuber Alexandre Plastino, Simone L. Martins Universidade Federal Fluminense Niterói RJ Brasil
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia maisAlgoritmos Multi-Start, GRASP e ILS Aplicados ao Problema de P-Medianas
Algoritmos Multi-Start, GRASP e ILS Aplicados ao Problema de P-Medianas Gustavo Zeferino 1, Flaviana M. de S. Amorim 1, Moacir F. de F. Filho 1 1 Programa de Pós-Graduação em Modelagem Matemática e Computacional
Leia maisPesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação
Leia maisUm AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 1 Um AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições Jarbas Silva Abstract Neste
Leia maisProgramação da produção em sistema no-wait flow shop com minimização do tempo total de fluxo
Programação da produção em sistema no-wait flow shop com minimização do tempo total de fluxo Lucas Yamada Scardoelli (EESC/USP) scarty@terra.com.br R. General Glicério, 340, Centro, CEP 15900-000, Taquaritinga,
Leia maisOtimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos CI209 - Inteligência Artificial BCC - Bacharelado em Ciência da Computação DInf - Departamento
Leia maisAprimorando o Corte Peças com Forma Irregular em Chapas Retangulares
Aprimorando o Corte Peças com Forma Irregular em Chapas Retangulares Leandro Resende Mundim, leandroresendemundim@gmail.com Thiago Alves de Queiroz, th.al.qz@catalao.ufg.br Resumo: Esta pesquisa lida com
Leia mais6 Experimentos realizados
6 Experimentos realizados 6.1 Considerações iniciais Resolvemos os modelos de PLIM utilizando o resolvedor CPLEX, baseado no método de branch-and-bound. Resolvemos as relaxações lineares dos mesmos modelos
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia maisUtilização de Times Assíncronos na Solução do Problema de Cobertura de Conjuntos
Utilização de Times Assíncronos na do Problema de Cobertura de Conjuntos Edison L. Bonotto 1, Marcelo Lisboa Rocha 2. 1 Programa de Pós-graduação em Informática Universidade Federal da Paraíba (UFPB) 58059-900
Leia maisUMA METAHEURÍSTICA HÍBRIDA GRASP-ILS APLICADA À SOLUÇÃO DO PROBLEMA DE CORTE BI-DIMENSIONAL GUILHOTINADO
UMA METAHEURÍSTICA HÍBRIDA GRASP-ILS APLICADA À SOLUÇÃO DO PROBLEMA DE CORTE BI-DIMENSIONAL GUILHOTINADO Elias Carlos Correa Temponi Centro Federal de Educação Tecnológica de Minas Gerais Av. Amazonas
Leia maisUm algoritmo pseudo-periférico genérico para a heurística de Snay
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay
Leia maisOTIMIZAÇÃO POR NUVEM DE PARTÍCULAS E BUSCA TABU PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
OTIMIZAÇÃO POR NUVEM DE PARTÍCULAS E BUSCA TABU PARA O PROBLEMA DA DIVERSIDADE MÁXIMA Edison Luiz Bonotto Programa de Pós-Graduação em Informática - PPGI Universidade Federal da Paraíba - UFPB 58051-900
Leia maisTópicos em Métodos Heurísticos META-HEURÍSTICAS
Tópicos em Métodos Heurísticos META-HEURÍSTICAS MÉTODOS HEURÍSTICOS QUE PERMITEM A CONTINUIDADE DAS EXPLORAÇÕES ALÉM DA OTIMALIDADE LOCAL, EM PARTICULAR, SUPERPONDO-SE A HEURÍSTICAS DE BUSCA LOCAL I) SIMULATED
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roteirização e Programação de Veículos PNV-2450 André Bergsten Mendes HEURÍSTICA DE INSERÇÃO DE SOLOMON (VRPTW) Exercício Para o problema de roteirização com janela de tempo
Leia maisUnidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
5 CAPÍTULO BUSCA EM VIZINHANÇA VARIÁVEL PARA LOCALIZAÇÃO E ROTEAMENTO Silva, Lorrany Cristina da 1 *; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional
Leia maisAplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados
Aplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados Marcelo Lisboa Rocha, Sóstenes Pereira Gomes Departamento de Ciência da Computação Fundação UNIRG Alameda
Leia maisUm Estudo da Aplicação de Heurísticas Construtivas e de Melhoramento para um Problema de PRV
Um Estudo da Aplicação de Heurísticas Construtivas e de Melhoramento para um Problema de PRV Eliseu Celestino Schopf 1, Claudio Schepke 1, Marcus Lucas da Silva 1, Pablo Furlan da Silva 1 1 Centro de Eletrônica
Leia maisMETA-HEURÍSTICA CLUSTERING SEARCH APLICADA AO PROBLEMA DE ROTULAÇÃO CARTOGRÁFICA DE PONTOS
META-HEURÍSTICA CLUSTERING SEARCH APLICADA AO PROBLEMA DE ROTULAÇÃO CARTOGRÁFICA DE PONTOS Rômulo Louzada Rabello Universidade Federal do Espírito Santo UFES romulolouzada@gmail.com Geraldo Regis Mauri
Leia maisCLUSTERING SEARCH COM ITERATED LOCAL SEARCH PARA RESOLUÇÃO DO PROBLEMA DE PLANEJAMENTO FLORESTAL
CLUSTERING SEARCH COM ITERATED LOCAL SEARCH PARA RESOLUÇÃO DO PROBLEMA DE PLANEJAMENTO FLORESTAL Robson de Souza Melo Universidade Federal do Espírito Santo - UFES Alto Universitário, s/nº - Cx Postal
Leia maisCOMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS Rosiana da Silva Lopes Danilo César Rodrigues Azevedo rosianalopes16@gmail.com danilo.azevedo@ufpi.edu.br.com
Leia mais1-1 PESQUISA OPERACIONAL INTRODUÇÃO
1-1 PESQUISA OPERACIONAL INTRODUÇÃO Regra do Jogo 1-2 Provas MAN ADM 1 a Prova: 8 ou 10 de maio 2 a Prova: 12 ou14 de junho Substitutiva: 18 ou 21 de junho Média P = Média das Provas T = Média dos Testes
Leia maisROTULAÇÃO CARTOGRÁFICA DE PONTOS: NOVAS SOLUÇÕES COM UM ALGORITMO GULOSO E UM GRASP
ROTULAÇÃO CARTOGRÁFICA DE PONTOS: NOVAS SOLUÇÕES COM UM ALGORITMO GULOSO E UM GRASP Gildásio Lecchi Cravo 1 Glaydston Mattos Ribeiro 1,2 (Orientador) Luiz Antonio Nogueira Lorena 2 (Orientador) 1 Faculdade
Leia maisPesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho agosto/2013 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
Leia maisUM ALGORITMO EXATO PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
BRUNO TAKANE UM ALGORITMO EXATO PARA O PROBLEMA DA DIVERSIDADE MÁXIMA Belo Horizonte 07 de agosto de 2011 UNIVERSIDADE FEDERAL DE MINAS GERAIS ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA
Leia maisESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS
ESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS João Vitor Moccellin Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisExperimentos e Resultados
6 Experimentos e Resultados Neste capítulo apresentamos os experimentos realizados e os resultados obtidos pelas heurísticas apresentadas. A primeira parte do capítulo aborda os experimentos e resultados
Leia maisGRASP COM PATH RELINKING PARA UM PROBLEMA DE PLANEJAMENTO FLORESTAL
GRASP COM PATH RELINKING PARA UM PROBLEMA DE PLANEJAMENTO FLORESTAL Antonio Almeida de Barros Junior Departamento de Informática - Universidade Federal de Viçosa Caixa Postal 216 36.570-000 Viçosa MG Brasil
Leia maisUnidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
1 CAPÍTULO O MÉTODO SIMULATED ANNEALING APLICADO EM LOCALIZAÇÃO E ROTEAMENTO Ferreira, Kamyla Maria 1 * ; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás
Leia maisUM ALGORITMO HEURÍSTICO HÍBRIDO PARA O PLANEJAMENTO OPERACIONAL DE LAVRA
Anais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 c Sociedade Brasileira de Redes Neurais UM ALGORITMO HEURÍSTICO HÍBRIDO PARA
Leia maisHEURÍSTICA ITERATED LOCAL SEARCH PARA RESOLVER O PROBLEMA MINIMUM BRANCH VERTICES
HEURÍSTICA ITERATED LOCAL SEARCH PARA RESOLVER O PROBLEMA MINIMUM BRANCH VERTICES Jorge Moreno Ramírez, Alexandre Plastino, Simone de L. Martins Universidade Federal Fluminense Niterói RJ Brasil {jmoreno,
Leia maisUMA SOLUÇÃO DO PROBLEMA DE ROTEAMENTO ABERTO DE VEÍCULOS COM JANELAS DE TEMPO UTILIZANDO METAHEURÍSTICAS GRASP E ILS
UMA SOLUÇÃO DO PROBLEMA DE ROTEAMENTO ABERTO DE VEÍCULOS COM JANELAS DE TEMPO UTILIZANDO METAHEURÍSTICAS GRASP E ILS Jose Mauricio Costa (CEFET-MG) jmcosta25@gmail.com Sergio Ricardo de Souza (CEFET-MG)
Leia maisPesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho julho/2014 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
Leia maisHEURÍSTICAS GRASP PARA O PROBLEMA DE ALOCAÇÃO DINÂMICA DE ESPAÇOS HEURISTIC GRASP TO THE PROBLEM OF ALLOCATION DYNAMICS OF SPACES
Universidade Tecnológica Federal do Paraná - UTFPR Campus Ponta Grossa - Paraná - Brasil ISSN 1808-0448 / v. 04, n. 01: p. 160-174, 2008 D.O.I.: 10.389/S1808-04482008000100011 HEURÍSTICAS GRASP PARA O
Leia maisXLVII SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL
META-HEURÍSTICA SIMULATED ANNEALING APLICADA AO PROBLEMA DE CORTE BIDIMENSIONAL NÃO-GUILHOTINADO Gelinton Pablo Mariano Mestrando em Informática - Universidade Federal do Espírito Santo Av. Fernando Ferrari,
Leia maisDESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES João Ricardo Kohler Abramoski (PAIC/FUNDAÇÃO ARAUCÁRIA), Sandra Mara Guse Scós Venske (Orientadora), e-mail: ssvenske@unicentro.br
Leia maisUM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA OPERACIONAL DE CONTROLADORES DE TRÁFEGO AÉREO
UM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA OPERACIONAL DE CONTROLADORES DE TRÁFEGO AÉREO Bruno Mota Avelar Almeida, Túlio Ângelo Machado Toffolo, Marcone Jamilson Freitas Souza
Leia maisProblemas de programação geométrica signomial via otimização DC
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Problemas de programação geométrica signomial via otimização DC Clarissa Pessoa Borges Fernandes Faculdade Maurício de Nassau João Pessoa, PB E-mail:
Leia maisUm algoritmo genético híbrido para o problema quadrático binário irrestrito
Um algoritmo genético híbrido para o problema quadrático binário irrestrito Bruno de Athayde Prata (UNIFOR) bprata@unifor.br Resumo O problema quadrático binário irrestrito (Unconstrained Quadratic Binary
Leia maisAula 13: Branch-and-bound
Aula 13: Branch-and-bound Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Modelagem em PI / Problemas Combinatórios
Leia maisBranch-and-Bound para problemas de Otimização Combinatória
para problemas de Otimização Combinatória Rafael Antônio Marques Gomes Orientador: Haroldo Gambini Santos Departamento de Computação UFOP 26 de julho de 2011 Rafael Antônio Marques Gomes BB para problemas
Leia maisUMA HEURÍSTICA PARA O PROBLEMA DE PROGRAMAÇÃO DE HORÁRIOS: UM ESTUDO DE CASO
UMA HEURÍSTICA PARA O PROBLEMA DE PROGRAMAÇÃO DE HORÁRIOS: UM ESTUDO DE CASO Arydiane Magalhães Jardim Instituto do Noroeste Fluminense de Educação Superior Universidade Federal Fluminense Santo Antônio
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisANEXO II MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
ANEXO II MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE Departamento de Informática e Matemática Aplicada Campus Universitário, Lagoa Nova, Natal RN. CEP: 59.078-970 Fone: (84) 3215-3814
Leia maisALGORITMO DE BUSCA TABU APLICADO NA SOLUÇÃO DO PROBLEMA DE MÚLTIPLAS MOCHILAS.
ALGORITMO DE BUSCA TABU APLICADO NA SOLUÇÃO DO PROBLEMA DE MÚLTIPLAS MOCHILAS MÜLLER, M. R. 1 ; FRANCO, E. M. C. 2 1,2 Universidade Estadual do Oeste do Paraná - UNIOESTE/Pós-Graduação em Engenharia de
Leia maisOtimização de horários Seminário. Clarisse Resende 25/01/2013
Otimização de horários Seminário Clarisse Resende 25/01/2013 O problema dos horários consiste numa sequência de atividades de programação, satisfazendo um conjunto de restrições de recursos. Pretende-se
Leia maisProgramação Inteira Resolução por Branch and Bound
Programação Inteira Resolução por Branch and Bound Transparências de apoio à lecionação de aulas teóricas Versão 2.3 c 2012, 2010, 2009, 2001 Maria Antónia Carravilla José Fernando Oliveira FEUP Técnicas
Leia maisSistemas de Produção em Fluxo
Uma introdução a problemas de sequenciamento em sistemas de produção em fluxo Faculdade de Ciências da Universidade do Porto 18 de Janeiro de 2012 Sumário Introdução Literatura (Makespan) Pesquisa Local
Leia maisHeurística GRASP para o problema de p-medianas aplicado à localização de concentradores
Heurística GRASP para o problema de p-medianas aplicado à localização de concentradores Heurística GRASP para o problema de p-medianas aplicado à localização de concentradores GRASP heuristic for p-median
Leia maisAlgoritmos para o Problema de Coloração de Grafos
Algoritmos para o Problema de Coloração de Grafos Marcelo Ferreira Rego, Haroldo Gambini Santos PPGCC - Programa de Pós-Graduação em Ciência da Computação UFOP - Universidade Federal de Ouro Preto Ouro
Leia maisUM ITERATED LOCAL SEARCH PARA A MINIMIZAÇÃO DO MAKESPAN EM SISTEMAS DE PRODUÇÃO FLOWSHOP COM EXECUÇÃO CONTÍNUA DAS TAREFAS
UM ITERATED LOCAL SEARCH PARA A MINIMIZAÇÃO DO MAKESPAN EM SISTEMAS DE PRODUÇÃO FLOWSHOP COM EXECUÇÃO CONTÍNUA DAS TAREFAS Francisco Régis Abreu Gomes (UFC) frag.82@ig.com.br O Problema de Seqüenciamento
Leia maisBusca Local Iterada. Universidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial
Universidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial Busca Local Iterada Kelly Rodrigues Abreu Federico Luis Losco 28 de Maio de 2007. Sumário Introdução
Leia maisUM GRASP EFICIENTE PARA O PROBLEMA DA ROTULAÇÃO CARTOGRÁFICA DE PONTOS
UM GRASP EFICIENTE PARA O PROBLEMA DA ROTULAÇÃO CARTOGRÁFICA DE PONTOS Gildásio Lecchi Cravo 1, Glaydston Mattos Ribeiro 1, 2 e Luiz Antonio Nogueira Lorena 2. 1 Faculdade de Aracruz UNIARACRUZ Departamento
Leia maisANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP
ANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP John Lennon Damas David UFG/Campus Catalão johnlennon_13@yahoo.com.br Hélio Yochihiro Fuchigami
Leia maisMÉTODO HEURÍSTICO HÍBRIDO PARA RESOLUÇÃO DO PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES CAPACITADAS EM DOIS NÍVEIS
MÉTODO HEURÍSTICO HÍBRIDO PARA RESOLUÇÃO DO PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES CAPACITADAS EM DOIS NÍVEIS Rômulo Louzada Rabello Universidade Federal do Espírito Santo Alegre, ES, 29500-00, Brasil
Leia maisAlgoritmos 3/17/ Algoritmos como área de estudo e investigação
Algoritmos e Complexidade Ana Teresa Freitas INESC-ID/IST ID/IST 3/17/2005 1 O que é um algoritmo? Algoritmos: Sequência de instruções necessárias para a resolução de um problema bem formulado [passíveis
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 19 ACO - Ant Colony Optimization 2 de 15 Sumário Problema do Caixeiro
Leia maisGRASP com Memória Adaptativa na solução de um Problema de Roteamento de Veículos com Múltiplas Origens
GRASP com Memória Adaptativa na solução de um Problema de Roteamento de Veículos com Múltiplas Origens Tiago Araújo Neves Instituto de Computação Universidade Federal Fluminense Niterói Rio de Janeiro
Leia maisGRASP para o Problema do Caixeiro Viajante com Limite de Calado
GRASP para o Problema do Caixeiro Viajante com Limite de Calado Victor Mouffron Carvalho Machado, Luiz Satoru Ochi Universidade Federal Fluminense Rua Passo da Pátria, 156, São Domingos-Niterói - RJ E-mail:
Leia maisUm Algoritmo de Otimização Aplicado ao Problema de Estratificação Univariada. José André de Moura Brito
Um Algoritmo de Otimização Aplicado ao Problema de Estratificação Univariada José André de Moura Brito Escola Nacional de Ciências Estatísticas - ENCE Rua André Cavalcanti,106 - sala 403 -Santa Teresa,
Leia maisAplicação da metaheurística GRASP ao Problema do Maior Conjunto Controlado Generalizado
Aplicação da metaheurística GRASP ao Problema do Maior Conjunto Controlado Generalizado Rommel Teodoro de Oliveira Instituto Universitário do Araguaia - Universidade Federal de Mato Grosso (UFMT) Rodovia
Leia maisPGGVNS: UM ALGORITMO PARALELO PARA O PROBLEMA DE PLANEJAMENTO OPERACIONAL DE LAVRA
PGGVNS: UM ALGORITMO PARALELO PARA O PROBLEMA DE PLANEJAMENTO OPERACIONAL DE LAVRA VITOR NAZÁRIO COELHO vncoelho@gmail.com UNIVERSIDADE FEDERAL DE OURO PRETO - UFOP MARCONE JAMILSON FREITAS SOUZA marcone@iceb.ufop.br
Leia maisAnálise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível
Análise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível Antonio G. RODRIGUES, Leandro T. HOFFMANN e Arthur T. GÓMEZ Universidade do Vale
Leia maisMAC 5758 Introdução ao Escalonamento e Aplicações
MAC 5758 Introdução ao Escalonamento e Aplicações Escalonamento no Futebol Brasileiro Nome: Márcio Guedes Hasegawa N o USP: 4894760 Índice Introdução... 2 Descrição do Problema... 3 A Solução Proposta...
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 1.7. Outras Metaheurísticas Populacionais 1.7.1. Metaheurísticas Populacionais
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisO PROBLEMA DA ÁRVORE CAPACITADA COM DEMANDAS NÃO- UNITÁRIAS: HEURÍSTICA COM FATOR PESO x CUSTO
O PROBLEMA DA ÁRVORE CAPACITADA COM DEMANDAS NÃO- UNITÁRIAS: HEURÍSTICA COM FATOR PESO x CUSTO Paulo Maurício Laurentys de Almeida * paulomla@gmail.com Lucas Guimarães de Oliveira * lucasgui@gmail.com
Leia maisIgor Ribeiro Sucupira (Aluno de Mestrado)
Busca Dispersa e Reconexão de Caminhos Igor Ribeiro Sucupira (Aluno de Mestrado) Departamento de Ciência da Computação Instituto de Matemática e Estatística Universidade de São Paulo São Paulo - 2005 Sumário
Leia maisHEURÍSTICAS GRASP E RECONEXÃO POR CAMINHOS APLICADAS AO PROBLEMA DE ESCALONAMENTO DE TRIPULAÇÕES
HEURÍSTICAS GRASP E RECONEXÃO POR CAMINHOS APLICADAS AO PROBLEMA DE ESCALONAMENTO DE TRIPULAÇÕES Hugo Vinícius Bassi Universidade Federal de Ouro Preto hugoufop@gmail.com Gustavo Peixoto Silva Universidade
Leia maisUM ALGORITMO GRASP PARA O SALBP-2
UM ALGORITMO GRASP PARA O SALBP-2 Dayan de Castro Bissoli Universidade Federal do Espírito Santo (UFES) Av. Fernando Ferrari, 54 Goiabeiras 2907590 Vitória/ES Brasil dayan.bissoli@ufes.br André Renato
Leia maisMETA-HEURÍSTICA GRASP APLICADA AO PROBLEMA DO CORTE BIDIMENSIONAL NÃO-GUILHOTINADO
META-HEURÍSTICA GRASP APLICADA AO PROBLEMA DO CORTE BIDIMENSIONAL NÃO-GUILHOTINADO Thiago Nascimento Rodrigues Universidade Federal do Espírito Santo Av. Fernando Ferrari, 541, 29075-910, Vitória, ES,
Leia maisINVESTIGANDO O PROBLEMA DA MOCHILA IRRESTRITA EM SUA VERSÃO BIDIMENSIONAL
INVESTIGANDO O PROBLEMA DA MOCHILA IRRESTRITA EM SUA VERSÃO BIDIMENSIONAL Mirella Augusta Sousa Moura, mirella.asm14@hotmail.com Thiago Alves de Queiroz, th.al.qz@catalão.ufg.br Resumo: Empacotamento consiste
Leia mais